目的 探讨适用于我国汉族青少年儿童肘关节X线图像的深度学习骨龄自动推断模型，并评估其性能。 方法 采集我国华东、华南、华中、西北地区6.00~<16.00周岁汉族青少年儿童肘关节正位X线图像943例（男性517例，女性426例），采用3种实验方案（方案一：将预处理后的上述图像直接输入回归模型；方案二：以“肘关节重点骨骼标注”作为标签训练分割网络，将分割后的图像输入回归模型；方案三：以“肘关节全部骨骼标注”作为标签训练分割网络，将分割后的图像输入回归模型）进行肘关节X线骨龄预测。针对分割任务，从U-Net、UNet++和TransUNet中遴选出最优网络模型作为分割网络；针对回归任务，选择VGG16、VGG19、InceptionV2、InceptionV3、ResNet34、ResNet50、ResNet101和DenseNet121模型进行骨龄预测。采用随机抽样的方法抽取80%样本（754例）作为训练集和验证集，用于模型拟合和超参数的调整；20%（189例）作为内部测试集，用于测试训练后模型性能。另采集104例同源6.00~<16.00周岁汉族青少年儿童肘关节正位X线图像作为外部测试集。通过比较模型预测年龄与真实生活年龄之间的平均绝对误差（mean absolute error，MAE）、均方根误差（root mean square error，RMSE）、±0.7岁的准确率（P±0.7岁）、±1.0岁的准确率（P±1.0岁），并绘制雷达图、散点图、热力图评估模型的性能。 结果 按照方案三的方法进行分割时，UNet++模型在学习率为0.000 1时的分割损失为0.000 4，准确率为93.8%，模型分割性能优异。在内部测试集中，DenseNet121模型采用该分割方法的模型预测结果最优，MAE、P±0.7岁、P±1.0岁分别为0.83岁、70.03%、84.30%。在外部测试集中，DenseNet121模型采用方案三的结果最优，平均MAE为0.89岁、平均RMSE为1.00岁。 结论 对青少年儿童肘关节X线图像进行骨龄自动推断时，分割网络推荐使用UNet++模型，DenseNet121模型在采用方案三时的性能最优。使用分割网络，特别是以包括肱骨远端、桡骨近端、尺骨近端全部肘关节作为标注区域的分割网络能提高肘关节X线骨龄推断的准确性。
